微软近日开源了名为VibeVoice的前沿语音 AI 模型家族，涵盖自动语音识别（ASR）和文本转语音(TTS)等多项能力。该项目以其强大的长音频处理、多说话人自然对话生成以及实时低延迟特性，迅速在开发者社区引发关注，目前已在 GitHub 收获约27K Star。 作为开源研究框架，VibeVoice 采用 MIT 许可协议，支持本地部署，无需云端订阅费用，旨在推动语音合成领域的协作与创新。模型家族主要包括三个核心成员，各有侧重，共同解决了传统语音 AI 在长序列处理、说话人一致性和自然流畅性上的痛点。